支持向量机( Support Vector Machines，简称SVM)是一种借助于最优化方法解决机器学习问题的新工具，最早由Vapnik[1][2]等人在1979年提出。它是统计学习理论中的结构风险最小化思想在实际中的一种体现。SVM的基本思想是：基于1909年Mercer核展开定理[3]，可以通过非线性映射 ，把样本空间映射到一个高维乃至于无穷维的特征空间（Hilbert空间），使在特征空间中可以应用线性学习机的方法解决样本空间中的高度非线性非类和回归等问题。它在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。总的来说，SVM的应用可以分成两大类既：SVC（Support Vector Classification）和SVR（Support Vector Regression）。

SVM的仿真还是很容易的,现在有不少现成的工具箱。我用过的有4个，但是感觉最好的还是Libsvm，虽然开始用的时候会感觉到比较难受（他自带的数据输入格式）但时间长后就发现他的性能要比其他几个都好，怪不得这个工具箱在世界上的使用率是最高的。LS-SVMLAB用到最后才发现算法本身的原应造成了支持向量个数特别的多，几乎所有的训练样本都是支持向量。这样就的结果对于要求有好的推广能力是矛盾的，这就是我的看法。

最近一直在研究参数的选取方式，虽然取得了一定的进展但离满意还有一定的距离。总在想用一种创新的方法来做，可一等做完才发现已经有不少人做过了。看来还要继续的改进啊。